Yolov3

时间线   

 改进点

• 多尺度感受野

Q1. 不同的scale的FeatMap对应的anchor如何设置 ？

Q2. Yolov2 vs Yolov3

        与Yolov2的通过pass-through提取low-res细粒度特征的方式不同，Yolov3显式地借鉴在SSD、RetinaNet等经典方法中采用的特征金字塔方式来cover不同粒度的object，显著地提升了模型对小尺度、密集目标的检出能力。

• 正负样本划分

Positive : 与GT框IOU最大的Anchor[负责预测该object]；
Neglect  : 与GT框IOU大于阈值，但非最大；
Negative : IOU小于0.5；

• 损失函数

Q1. 为什么正类样本P(object)对应的gt值直接设为1而不是iou值呢 ？
Q2. 为什么使用了BCE而不是CE来计算box预测类别的loss呢 ？

评测指标